伴随着计算机软硬件和网络技术的发展,计算模式从大型主机计算演进到C/S模式的网络计算,再到云计算,从集中式计算到分布式计算再回到了集中式计算,未来计算又将走向何方？云计算透明地为用户提供多种层次应用服务而得到广泛应用,然而,云计算集中式服务全局管控个人在线行为和社交数据存在个人隐私泄露风险;用户到云的完全授权,要求客户端到云的单方面信任,阻碍了用户间建立更细粒度的信任;云计算亦失去和浪费了现代终端设备的计算、通信和存储能力;最后,云计算亦难以满足强实时需求、大数据量高频率交互和处理以及本地化位置相关计算的需求。边缘计算（Edge Computing）作为一种新的计算范式应用而生,将计算应用、数据和服务的前沿从集中式节点推向网络边缘,其中计算和存储资源放置在互联网的边缘,靠近移动设备、传感器和终端用户,形成与云计算互补的计算形式,从而通过边缘与中心的平衡获得更好的服务质量.边缘计算被提出后,迅速得到学术界和工业界的重视,美国自然科学基金会于2016年首次以边缘计算为主题设立研究计划资助科学家研究,IEEE和ACM于2016年联合发起召开了首届边缘计算研讨会;2016年11月30日,中国边缘计算产业联盟由华为、中科院沈阳自动化所、中国信息通信研究院、Intel、ARM、软通动力信息技术集团在北京宣布成立;ETSI建立移动边缘计算标准,将成为5G标准的重要组成部分.

边缘计算旨在共享利用边缘设备的计算、通信资源，满足人们对服务的实时响应、隐私与安全、计算自主性等需求，随物联网的发展将有广阔应用前景.调研了边缘计算的特征、基本概念和定义、最新研究进展以及边缘计算研究的挑战与发展趋势.基于边缘计算的核心挑战之一——隐私信任与安全保障问题，针对用户应用需求特征，充分考虑用户体验质量(QoE)来优化边缘计算系统.通过集成用户和资源的身份信任、行为信任、能力信任3个方面为综合信任度，利用信任评估保障对边缘计算资源管理与协同优化.针对终端的动态性、边缘设施能力受限、边缘与终端的邻近性、云中心功能强和距离远的特征，融合云计算、P2P计算、CS与网格计算模式，构建多层自适应的统一计算模型，实现对应用场景动态匹配；研究以用户体验质量为目标的综合资源用户信任评估体系与模型，实现资源QoS向QoE的指标映射，构建资源和用户的身份信任、行为信任评价机制，形成综合信任评估体系与模型；根据应用需求，研究面向计算能力、移动性与可用服务时间、剩余能量、带宽等多重约束的边缘计算的任务卸载、资源调度算法和优化方案，实现资源在终端、边缘、云中心3层级可信共享和优化利用，更好满足用户QoE需求.最后通过流计算任务分配的边缘计算场景验证了模型框架的有效性.

未来5G移动通信网络面临移动流量暴涨，新型业务提出高回传带宽、低时延等挑战，移动边缘计算MEC有望解决上述问题.首先介绍MEC的网络框架结构及其在5G中的标准化进展，然后结合MEC的部署策略和未来5G网络架构，提出融合MEC的未来5G移动通信网络架构.从该架构可以看到，未来5G将是一个通信与多级计算协同的网络.所提架构可灵活、自适应地支持多种通信模式，同时可采用虚拟化技术实现通信、计算、存储资源的高效共享.面向通信与计算协同，融合MEC的5G网络在基础理论方面面临的主要挑战是网络容量分析，关键技术方面则包括通信与计算资源的协同优化、计算存储多播、节带化传输等.相关理论与技术亟需进一步的深入研究探讨，推动通信与计算融合发展.

边缘计算(edge computing， EC)是在靠近人、物或数据源头的网络边缘侧，融合网络、计算、存储、应用核心能力的新网络架构和开放平台.边缘计算将传统的集中式云计算处理的方式，改为将计算存储能力下移至网络边缘，面向用户和终端的方式，就近提供边缘智能服务.边缘计算极大地降低了由于数据回传造成的核心网和传输网的拥塞与负担，实现较低时延，带来较高带宽，同时能够快速响应用户请求并提升服务质量.当前，边缘计算已经成为未来第五代通信(5G)时代的重要使能技术，并写入第三代合作伙伴计划(3rd generation partnership project, 3GPP)标准.越来越多的运营商、设备商、芯片厂商加入建设边缘计算生态的行列，如何打造一个统一的标准化的边缘计算平台对于未来边缘生态的建设至关重要.因此，重点介绍当前边缘计算标准化的进展情况，从欧洲电信标准化协会(European Telecommunications Standards Institute, ETSI)最先提出边缘计算架构开始，到3GPP将边缘计算纳入未来5G发展的关键技术，再到中国通信标准化协会(China Communications Standards Association, CCSA)中边缘计算的立项与课题研究.每一部分的介绍均安排了大量对标准内容的分析和解释.最后介绍了近年来中国联通在边缘计算方面的研究成果.包括重要的边缘计算试点、联通未来边缘计算试点计划以及边缘计算的组网部署方案探索等内容.期望与产业界共同探讨边缘计算商业合作模式，共建网络边缘生态，全面推动5G业务的蓬勃发展.

互联网、移动计算、物联网技术的进步推动了人-机-物环境的深度融合，催生了一大批面向边缘用户的网络搜索、在线社会网络、电子商务、视频监控、智能助理等类型的边缘计算应用.边缘计算应用具有规模巨大、服务质量敏感等特性，对延迟性能提出迫切需求，然而，由于用户访问请求跨边缘网络、广域网、数据中心异构环境，“长尾延迟”问题导致边缘用户的体验质量严重下降.首先综述边缘计算应用的系统架构特征，然后分析长尾延迟的产生原因，分类介绍网络延迟测量的主要理论和方法，并归纳对长尾延迟的优化技术，最后提出在线优化运行环境的思想以及面临的挑战.

随着物联网技术的不断发展，已逐步进入“万物互联”的新时代.针对物联网中实时采集的传感数据总体质量低下的问题，提出基于边缘计算的传感数据异常实时检测算法.该算法首先对相应的传感数据以“时间序列”的形式进行表示,并建立基于边缘计算的分布式传感数据异常检测模型;其次利用单源时间序列自身的连续性以及多源时间序列之间的相关性，分别对实时传感数据中出现的数据异常进行有效检测,并分别形成相应的异常检测结果集;最后将上述2个异常检测结果集进行有效地融合处理，从而得到更加准确的异常数据检测结果.通过实验验证该算法的检测准确性和有效性，结果显示：该算法检测时间短并且异常检出率高.

为了缩小IoT应用的服务质量要求与IoT设备有限的计算资源之间的差距，提高设备与基站能源利用率，设计了基于超密集网络的移动边缘计算框架COMED，提出了一个结合任务卸载、设备-基站关联以及基站睡眠调度的在线优化问题，旨在最小化设备和基站的整体能量消耗，同时满足IoT应用的服务质量要求.针对这一在线优化问题，提出了一个基于李雅普诺夫优化理论的任务调度算法JOSA，该算法只使用当前时间片的系统信息进行调度.仿真实验证明了COMED框架具有良好的性能：1)与设备本地处理相比，系统整体节能30%以上，与DualControl算法相比平均节能10%~50％；2)算法的执行时间与IoT设备数量呈近似线性的关系.

当前，高计算消耗的应用和服务逐渐从集中式云计算中心向网络边缘的嵌入式环境迁移，FPGA因其灵活性和高能效特性，使其在边缘计算的嵌入式系统中得到广泛的应用.传统的FPGA卷积神经网络构造方法存在设计周期长和优化空间小等缺点，无法有效探索硬件加速器的设计空间，在网络边缘的的嵌入式环境下尤为明显.针对该问题，提出一种面向边缘计算的嵌入式FPGA平台卷积神经网络通用的构建方法.通过设计卷积神经网络函数中的网络层间可复用的加速器核心，以少量硬件资源实现性能优化的卷积神经网络硬件；通过拓展设计、缓存优化及数据流优化等技术，实现HLS设计优化；利用该方法在嵌入式FPGA平台上构建相应卷积神经网络，实验结果表明:优化后的网络模型在与Xeon E5-1620 CPU和GTX Titan GPU相比时，在功耗与性能方面具有一定优势，适合应用于边缘计算环境中.

随着移动互联网的飞速发展与相关技术的不断提升，社交类应用已成为现下主流应用之一.同时，手机应用的功能也越来越丰富，其能耗需求以及信息处理能力也越来越大.针对移动社交平台忽略网络状态、频繁刷新内容(文字、图片、视频等)造成的高能耗以及运算能力问题，提出一种边缘计算模式下基于Markov决策过程(Markov decision process, MDP)的能耗优化模型.该模型考虑不同环境的网络状态，根据手机当前电量以及用户刷新频率，通过本地移动边缘计算层完成数据处理，在Markov决策过程生成的决策表中选择最优策略，动态选择最佳的网络接入以及刷新下载最佳的图片格式.该模型不仅减少刷新时间，而且能够降低移动平台的能耗.实验结果表明:相比于使用单一网络的图片刷新模式，在保证不减少用户刷新次数的前提下，该能耗优化模型降低能耗约12.1%.

近年来兴起的边缘计算试图将部分计算从云端移到设备端，从而减少云端计算负载和网络传输负载.物端计算系统是边缘计算系统中面向物理世界的终端设备组成的计算系统.由于物端设备具有多样性，设计一个统一的体系结构来支持物端智能应用十分具有挑战.现代Web系统的体系结构是解决多样性的有效方案之一，但由于大部分物端设备的资源受限的特性，应用Web体系结构十分困难.1)阐述了现代Web系统、边缘计算系统和物端计算系统的概念，从组成物端计算系统的设备多样性和资源受限特性出发分析其面临的挑战；2)针对这些问题和挑战调研了一些基于REST的用于边缘计算系统的应用层协议；3)详细调研和评估了4个Web系统代表性脚本语言，总结了一些试图将这些语言应用于物端设备的工作；4)调研了传统嵌入式系统的调试技术.通过调研得出结论：目前的物端计算系统虽然市场规模巨大，但是仍未形成高效的、统一的体系结构来支撑人工智能应用的大量部署;5)列出了物端计算系统的一些重要研究方向，包括统一的体系结构、高能效Web、支持物端智能和物端调试技术.